CN106515740A - 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 - Google Patents

Abstract

本发明公开了基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，属于分布式电驱动汽车技术领域。本发明涉及的方法包括：1)建立三自由度非线性车辆动力学模型；2)将三自由度非线性车辆动力学模型离散化；3)基于2)中离散化的三自由度非线性车辆动力学模型，用迭代中心差分卡尔曼滤波对分布式驱动电动汽车行驶状态参数(包括横摆角速度、质心侧偏角和纵向车速)进行估计。本发明充分利用最新量测信息，可有效提高状态估计精度和估计收敛速度，具有受环境因素影响小、成本低和可靠性高等优点，适用于分布式电驱动汽车的行驶状态参数估计。

Description

基于ICDKF的分布式电驱动汽车行驶状态参数估计算法

技术领域

本发明属于分布式电驱动汽车技术领域，具体涉及基于ICDKF的分布式电驱动汽车行驶状态参数估计算法。

背景技术

分布式电驱动汽车采用把电机直接安装在四个车轮内作为驱动执行器的动力布置形式，与传统内燃机汽车相比，具有传动链短、传动高效和结构紧凑等突出优点，给汽车动力学控制引入了一种全新的实现形式，同时也对车辆行驶状态参数的估计精度和实时性提出了更高的要求。对分布式电驱动汽车进行动力学控制，必须知道车辆行驶状态参数，以资动力学控制参考。因此，研究分布式电驱动汽车的动力学控制必须考虑对其行驶状态参数估计。

中国专利CN102343912A公开了一种汽车行驶过程中的状态估计方法，该发明引入非完整性约束，进而建立速度误差估计方程，通过车速以及车辆的三个姿态角来估计车辆行驶中侧向以及垂直方向的误差，建立质心侧偏角估计方程，但该方法需要使用GPS等传感器，受环境因素影响较大，成本较高，可靠性不高；中国专利CN105151047A公开了一种汽车质心侧偏角测量方法，该发明分别用线性二、三自由度车辆动力学模型分别估计得到一个质心侧偏角，然后根据量测横向加速度信息分配两个质心侧偏角的权重，最后得到质心侧偏角估计值，但是该方法直接把量测纵向加速度积分作为纵向车速，误差较大；中国专利CN102556075A提出了一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法，来实现质心侧偏角、横摆角速度和纵向车速进行估计，可改善汽车在较高机动运行状态下状态的估计精度，但是引入了轮胎纵向力建模这一非线性较强的因素，而且在极限工况等非线性极强的工况下，该估计算法仍极有可能发散，因此可靠性不高。

发明内容

本发明提供了基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，受环境因素影响小、成本低、可靠性高，能有效克服上述现有技术的局限性。

本发明采用以下技术方案：

基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，包括以下步骤：

S1，建立三自由度非线性车辆动力学模型，三自由度包括纵向、横向及横摆；

S2，将三自由度非线性车辆动力学模型离散化；

S3，基于S2中离散化的三自由度非线性车辆动力学模型，用ICDKF对分布式电驱动汽车行驶状态参数进行估计，行驶状态参数包括横摆角速度γ、质心侧偏角β和纵向车速v_x。

进一步，所述非线性车辆动力学模型的状态方程、观测方程分别为：

其中：a、b分别是前、后轴到车辆质心的距离；k₁、k₂分别是前、后轮总侧偏刚度；I_z是横摆惯量；δ是前轮转角，δ_sw是转向盘转角，i是转向系统传动比；m是整车质量，a_x、a_y分别是车辆传感器测量纵、横向加速度。

进一步，状态方程、观测方程离散化分别为：

其中：k为迭代次数，Δt为采样时间间隔。

进一步，所述用ICDKF对分布式电驱动汽车行驶状态参数进行估计的具体过程为：

S3.1，赋初始值：状态变量x＝[γ β v_x]^T和误差协方差矩阵P_x的初值分别为：和

S3.2，确定时间更新Sigma点集其中h为中心差分区间长度；

S3.3，时间更新：将Sigma点通过三自由度非线性车辆动力学模型离散化状态方程F(·)进行变换得到状态量Sigma点集由变换后的状态量Sigma点集计算状态一步预测和方差P_k/k-1；

S3.4，测量更新：由S3.3中得到的状态一步预测进行迭代初始化，然后进行迭代循环，得到估计状态量和误差协方差。

更进一步，所述S3.4中迭代循环的具体过程为：

a)迭代循环开始，构造测量更新Sigma点集：j＝0，1，2…n；

b)将每个Sigma点通过三自由度非线性车辆动力学模型离散化观测方程H(·)进行变换得到观测量Sigma点集

c)由变换后的观测量Sigma点集计算得一步预测和自协方差阵和互协方差阵

d)计算滤波增益

e)用标准卡尔曼滤波更新公式对下一时刻的状态量和状态量误差协方差进行更新；

f)得到估计状态量和误差协方差，迭代循环结束。

更进一步，所述标准卡尔曼滤波更新公式为：

本发明的有益效果是：分布式电驱动汽车行驶状态参数估计是一个非线性滤波问题，即从带有噪声的非线性观测量中估计时变的状态量。当汽车在极限工况下工作时，系统的非线性严重、初值估计误差较大，系统观测性弱。本方法结合Gauss-Newton迭代方法，并改进迭代过程产生的新息方差和协方差，通过重复利用观测信息，有效提高估计精度；本方法耗费计算量较少，实时性好。

附图说明

图1为三自由度非线性车辆动力学模型；

图2为基于ICDKF的分布式电驱动汽车行驶状态参数估计流程图；

图3为基于ICDKF的分布式电驱动汽车行驶状态参数估计算法的实施示意图。

具体实施方式

下面将结合附图对本发明作进一步说明，但本发明的保护范围并不限于此。

迭代中心差分卡尔曼滤波(Iterated Central Difference Kalman Filter，ICDKF)是在中心差分卡尔曼滤波的基础上发展起来的一种非线性滤波方法，它结合Gauss-Newton迭代方法并改进迭代过程产生的新息方差和协方差，通过重复利用观测信息，使得状态的观测更新值代替预测值。基于迭代中心差分卡尔曼滤波的分布式电驱动汽车行驶状态参数估计算法，是基于前轮转向的分布式电驱动汽车，为满足汽车动力学控制中对车辆行驶状态参数估计需要，建立三自由度非线性车辆动力学模型并离散化，然后利用ICDKF对离散化的三自由度非线性车辆动力学模型进行滤波估计。本发明只需利用转向盘传感器、纵横向加速度传感器等低成本传感器采集估计算法输入信息，可有效提高估计精度和估计收敛速度。

如图2所示，基于ICDKF的分布式电驱动汽车行驶状态参数估计流程图(图中ICDKF算法估计模块用于估计状态量及其误差协方差)，包括步骤：

S1，建立三自由度非线性车辆动力学模型，如图1所示，三自由度包括纵向、横向及横摆；

状态方程：

观测方程：

其中：状态变量γ、β、v_x分别是车辆横摆角速度、质心侧偏角、纵向车速；a、b分别是前、后轴到车辆质心的距离；k₁、k₂分别是前、后轮总侧偏刚度；I_z是横摆惯量；δ是前轮转角，δ_sw是转向盘转角，i是转向系统传动比；m是整车质量，a_x、a_y分别是传感器测量纵、横向加速度。

S2，将三自由度非线性车辆动力学模型离散化；

状态方程(1)离散化：

观测方程(2)离散化：

其中：k为迭代次数，Δt为采样时间间隔。

S3，基于S2中离散化的三自由度非线性车辆动力学模型，用ICDKF对分布式电驱动汽车行驶状态参数进行估计，行驶状态参数包括横摆角速度γ、质心侧偏角β和纵向车速v_x。

(1)赋初始值：

状态变量x＝[γ β v_x]^T和误差协方差矩阵P_x的初值分别为：

(2)确定时间更新Sigma点集：

其中，h为中心差分区间长度，对于高斯分布而言，其最优值为

(3)时间更新：

将Sigma点通过三自由度非线性车辆动力学模型离散化状态方程F(·)进行变换，得到状态量Sigma点集

由变换后的状态量Sigma点集计算得状态一步预测和方差P_k/k-1为：

式中：

(4)测量更新：

迭代初始化：

迭代循环：for j＝0:N；

a)构造量测更新Sigma点集：

其中，j＝0，1，2…n；

b)将每个Sigma点通过三自由度非线性车辆动力学模型离散化观测方程H(·)进行变换，得到观测量Sigma点集

c)由变换后的观测量Sigma点集计算一步预测和自协方差阵和互协方差阵

d)计算得滤波增益为：

e)使用标准卡尔曼滤波更新公式对下一时刻的状态和协方差更新：

j＝j+1 (19)

f)得到估计状态量和误差协方差，迭代循环结束。

其中，迭代次数N取3。

图3所示为基于ICDKF的分布式电驱动汽车行驶状态参数估计算法的实施示意图。

以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明保护。

Claims (6)

1.基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，其特征在于，包括以下步骤：

S1，建立三自由度非线性车辆动力学模型，三自由度包括纵向、横向及横摆；

S2，将三自由度非线性车辆动力学模型离散化；

S3，基于S2中离散化的三自由度非线性车辆动力学模型，用ICDKF对分布式电驱动汽车行驶状态参数进行估计，行驶状态参数包括横摆角速度γ、质心侧偏角β和纵向车速v_x。

2.根据权利要求1所述的基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，其特征在于，所述非线性车辆动力学模型的状态方程、观测方程分别为：

其中：a、b分别是前、后轴到车辆质心的距离；k₁、k₂分别是前、后轮总侧偏刚度；I_z是横摆惯量；δ是前轮转角，δ_sw是转向盘转角，i是转向系统传动比；m是整车质量，a_x、a_y分别是车辆传感器测量纵、横向加速度。

3.根据权利要求2所述的基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，其特征在于，状态方程、观测方程离散化分别为：

$F(x,u)=\left\{\begin{array}{c}\mathrm{\γ}\left(k\right)=\left(\frac{a^2{k}_1+b^2{k}_2}{I_z{v}_x}\mathrm{\γ}\right(k-1)+\frac{{\mathrm{ak}}_1-{\mathrm{bk}}_2}{I_z}\mathrm{\β}(k-1)-\frac{{\mathrm{ak}}_1}{I_z}\mathrm{\δ}(k-1\left)\right)\mathrm{\Δ}t+\mathrm{\γ}(k-1)\\ \mathrm{\β}\left(k\right)=\left(\right(\frac{{\mathrm{ak}}_1-{\mathrm{bk}}_2}{{\mathrm{mv}}_x^2}-1\left)\mathrm{\γ}\right(k-1)+\frac{k_1+k_2}{{\mathrm{mv}}_x}\mathrm{\β}(k-1)-\frac{k_1}{{\mathrm{mv}}_x}\mathrm{\δ}(k-1\left)\right)\mathrm{\Δ}t+\mathrm{\β}(k-1)\\ v_x\left(k\right)=\left(\mathrm{\γ}\right(k-1\left)\mathrm{\β}\right(k-1\left)v_x\right(k-1)+a_x(k-1\left)\right)\mathrm{\Δ}t+v_x(k-1)\end{array}\right.,$

其中：k为迭代次数，Δt为采样时间间隔。

4.根据权利要求1所述的基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，其特征在于，所述ICDKF对分布式电驱动汽车行驶状态参数进行估计的具体过程为：

S3.1，赋初始值：状态变量x＝[γ β v_x]^T和误差协方差矩阵P_x的初值分别为：和

S3.2，确定时间更新Sigma点集其中h为中心差分区间长度；

S3.3，时间更新：将Sigma点通过三自由度非线性车辆动力学模型离散化状态方程F(·)进行变换得到状态量Sigma点集由变换后的状态量Sigma点集计算状态一步预测和方差P_k/k-1；

S3.4，测量更新：由S3.3中得到的状态一步预测进行迭代初始化，然后进行迭代循环，得到估计状态量和误差协方差。

5.根据权利要求4所述的基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，其特征在于，所述S3.4中迭代循环的具体过程为：

a)迭代循环开始，构造测量更新Sigma点集：其中j＝0，1，2…n；

b)将每个Sigma点通过三自由度非线性车辆动力学模型离散化观测方程H(·)进行变换得到观测量Sigma点集

c)由变换后的观测量Sigma点集计算一步预测和自协方差阵和互协方差阵

d)计算滤波增益

e)用标准卡尔曼滤波更新公式对下一时刻的状态量和状态量误差协方差进行更新；

f)得到估计状态量和误差协方差，迭代循环结束。

6.根据权利要求5所述的基于ICDKF的分布式电驱动汽车行驶状态参数估计算法，其特征在于，所述标准卡尔曼滤波更新公式